Diabetes merupakan salah satu penyakit kronis dengan prevalensi yang terus meningkat secara global dan memberikan dampak signifikan terhadap kesehatan masyarakat. Deteksi dini status diabetes sangat penting untuk mencegah komplikasi lebih lanjut. Penelitian ini bertujuan untuk mengklasifikasikan status diabetes ke dalam tiga kelas, yaitu non-diabetes, pre-diabetes, dan diabetes, berdasarkan indikator kesehatan menggunakan metode Support Vector Machine (SVM). Model SVM yang digunakan menerapkan kernel Radial Basis Function (RBF) untuk menangani pola data yang tidak linear serta pendekatan One-vs-One (OvO) dalam klasifikasi multikelas. Dataset yang digunakan adalah Diabetes Health Indicators Dataset yang tersedia di Kaggle. Dataset yang digunakan terdiri dari 15 indikator kesehatan, yaitu Indeks Massa Tubuh (IMT), Usia, Tekanan Darah Tinggi, Kolesterol Tinggi, Aktivitas Fisik, Penyakit Jantung atau Serangan Jantung, Kesehatan Umum, Riwayat Stroke, Kesulitan Berjalan, Jenis Kelamin, Konsumsi Alkohol Berat, Kebiasaan Merokok, Kesehatan Fisik, Kesehatan Mental, dan Pemeriksaan Kolesterol. Proses penelitian mencakup pembersihan data, normalisasi, penyeimbangan kelas menggunakan Adaptive Synthetic Sampling (ADASYN), serta pelatihan dan pengujian model. Hasil penelitian menunjukkan bahwa model SVM dengan hyperparameter terbaik (C = 10, gamma = ‘scale’) berhasil mencapai akurasi sebesar 81%. Hal ini membuktikan bahwa metode SVM dengan kernel RBF efektif digunakan dalam klasifikasi status diabetes berdasarkan indikator kesehatan.

Diabetes is a chronic disease with a prevalence that continues to increase globally and has a significant impact on public health. Early detection of diabetes status is crucial to prevent further complications. This study aims to classify diabetes status into three classes, namely non-diabetes, pre-diabetes, and diabetes, based on health indicators using the Support Vector Machine (SVM) method. The SVM model used applies the Radial Basis Function (RBF) kernel to handle non linear data patterns and the One-vs-One (OvO) approach in multiclass classification. The dataset used is the Diabetes Health Indicators Dataset available on Kaggle. The dataset used consists of 15 health indicators, namely BMI, Age, High BP, High Chol, PhysActivity, Heart Disease or Attack, GenHlth, Stroke, DiffWalk, Sex, HvyAlcoholConsumption, Smoker, PhysHlth, MentHlth, and CholCheck. The research process included data cleaning, normalization, class balancing using Adaptive Synthetic Sampling (ADASYN), and model training and testing. The results showed that the SVM model with the best hyperparameters (C = 10, gamma = 'scale') achieved an accuracy of 81%. This demonstrates that the SVM method with the RBF kernel is effective in classifying diabetes status based on health indicators.